GPT-6.1 Terra 和 GPT-6 Luna 誰更適合批量自動化？用 4 組真實測試比較成本和準確率

作者注：Terra 的 Token 單價是 Luna 的 10 倍，準確率差距卻從 4.7 到 18.7 個百分點不等。本文用 Plotly、DualEntry、OSWorld 等真實測試數據，算清批量自動化中“每個正確結果”的真實成本。

OpenAI 於 2026 年 10 月 26 日發佈 GPT-6.1 Terra。距離 GPT-6 Luna 上線，只隔了一個多月。兩款模型的 API 定價差了 整整 10 倍，但在第三方同場測試裏，Terra 的準確率領先幅度卻從不足 5 個百分點到接近 19 個百分點不等。批量自動化場景裏，這個差價到底值不值，成了開發者討論最多的問題。

這不是憑印象寫的模型點評。Plotly、DualEntry、Artificial Analysis 在 Terra 發佈當天就公開了測試結果，OpenAI 官方也給出了 OSWorld 2.1、MMMU-Pro 和事實錯誤率數據。本文把這些數據放在一起，回答一個具體問題：多花的錢，到底換來了多少真正有用的正確結果。

核心價值：讀完本文，你會知道 GPT-6.1 Terra 和 GPT-6 Luna 在哪類批量任務上差距大、在哪類任務上幾乎沒差距，還會拿到一套“Luna 初篩 + 規則校驗 + Terra 兜底”的混合方案代碼。

GPT-6.1 Terra 和 GPT-6 Luna 核心信息速覽

兩款模型同屬 GPT-6 家族，但定位明顯不同。OpenAI 官方對 Luna 的描述是面向明確、高頻、大批量任務的高效率模型；Terra 則主打視覺推理、準確的電腦操作和自然的寫作，用來填補 Luna 和 Sol 之間的中間檔位。

從規格上看，兩者幾乎“長得一樣”：都支持文本和圖片輸入、Structured Outputs、Function Calling、Responses API、Batch API，以及 Web Search、File Search、Computer Use 等工具。真正的區別在兩處，一是價格，二是複雜任務上的能力。

值得一提的是，OpenAI 的模型選擇指南並沒有說“批量任務就用 Luna”或者“要準確率就用 Terra”。官方的建議是：拿同一批真實輸入去測，選能滿足質量要求的最低成本配置。這句話也是理解本文所有數據的前提。

GPT-6.1 Terra 與 GPT-6 Luna 的 API 價格差距

按 OpenAI 官方 Standard API 短上下文價格，單位爲美元 / 每百萬 Token：

Batch 和 Flex 模式的費率約爲 Standard 的一半，Fast 模式約爲兩倍。有兩個費用容易被忽略。第一，單次請求輸入超過 272,000 Token 時，整次請求的輸入和緩存按兩倍計費，輸出按 1.5 倍計費。第二，網頁搜索、電腦操作等工具可能另外收費，推理 Token、重試和多輪 Agent 調用也會改變實際消耗。

所以“貴 10 倍”指的是同等計費條件下的 Token 單價，不代表每項工作都貴 10 倍。做個理論測算：假設每條記錄輸入 1000 Token、輸出 200 Token，不用緩存、不重試，處理 10 萬條在 Standard 模式下 Luna 約 $20，Terra 約 $200；換成 Batch 約爲 $10 和 $100。這只是按公開單價算出來的理論值，不是實測賬單。

GPT-6.1 Terra 對比 GPT-6 Luna：4 組真實測試數據

單價只能說明“花多少”，接下來要看“換來什麼”。下面四組數據來自不同機構，測試的任務類型也不同，正好能看出準確率差距是怎麼隨任務難度拉開的。

Plotly 43 道數據分析題：多花 10 倍，多對 2 題

Plotly 和 Mila 研究人員開發的 DataAnalyticsBench，模擬一家風力發電運營企業的數據倉庫，約 2000 萬行數據，底層是合成數據。兩款模型用同一套工具回答 43 道問題，結果如下：

最有價值的發現在分項成績裏。普通分析、識別模糊需求、拒絕無法完成的請求、發現基礎數據質量問題，兩者表現完全一致。差距只出現在統計陷阱和隱藏模式發現這兩類深層分析上，Terra 各多做對一題。

按整體結果粗算，Terra 多花 $1.18，多對 2 題，相當於每淨增一道正確答案額外支付約 $0.59。這是從測試總賬推出的邊際成本，不是生產環境的穩定糾錯價格。如果這道題關係到經營判斷，$0.59 很便宜；如果只是內部報表裏多發現一個無關緊要的模式，10 倍成本就沒必要。

另外一個細節：Terra 每題更快，但原因是回答更短、調用更少（平均約 4.5 次模型調用、約 1460 個輸出 Token），而不是生成速度更快。它的輸出速度約爲每秒 64 Token。需要注意，樣本只有 43 題，Terra 通過 OpenRouter 默認推理配置運行，不能推出它在所有企業數據分析中都有 93% 的準確率。

DualEntry 101 項會計任務：差距擴大到 11.9 個百分點

DualEntry 的 Accounting AI Benchmark 更接近真實業務操作。101 個任務覆蓋交易分類、會計分錄、應付應收、銀行對賬、財務報告、月末結賬和會計知識八類，每個模型跑三輪，三次中至少兩次通過纔算通過。

結果是 Luna 66.3%，Terra 78.2%，作爲參照的 GPT-6.1 Sol 爲 81.2%。Terra 的細分成績裏，交易分類 13/13，會計分錄 12/13，銀行對賬 10/12，但應付賬款只有 7/13，應收賬款和月末結賬都是 7/12。DualEntry 還提到，在應付賬款項目上 Terra 和 Luna 並列末位。

對批量自動化來說，比單次準確率更關鍵的是穩定性。Terra 三輪全部做對的比例是 65.3%，Sol 是 68.3%，Luna 更低（原文未給出具體數值）。如果同一種會計任務今天對、明天錯，人工排查的成本會迅速上升。Terra 在該測試中平均每項任務耗時 16.1 秒、Token 成本約 $0.042，三輪合計約 $12.73；Luna 的對應成本原文沒有清楚披露，這裏不做推算。

OSWorld 2.1 與事實錯誤率：複雜任務差距最大

OpenAI 在 Terra 發佈公告中給出的桌面操作基準 OSWorld 2.1，考察模型能否看懂界面、點對按鈕、完成多步驟操作。最高推理檔下，Luna 55.5%，Terra 74.2%，差距 18.7 個百分點；每任務估算成本分別爲 $0.30 和 $1.19，只差約 3.97 倍，而不是 10 倍。原因是不同模型完成同一任務消耗的 Token 不同。

事實錯誤率測試的結果更有衝擊力。在官方專門設計的困難事實題上，Luna 在 Low / Medium / Max 三檔的錯誤率分別是 44.3%、31.2%、18.4%，Terra 是 16.7%、10.1%、4.3%。Terra 在 Low 檔的錯誤率，仍低於 Luna 開到 Max 的錯誤率。 視覺理解方面，MMMU-Pro 最高推理檔下 Luna 79.9%，Terra 85.5%。

這些數據都來自 OpenAI 官方圖表，不是第三方獨立複測。困難事實題是專門誘導出錯的題目，不代表 Luna 日常寫作有 44.3% 的錯誤率；OSWorld 的分數也只適用於其測試條件。

Artificial Analysis 綜合指數：推理強度同樣要優化

Artificial Analysis 的獨立評測給出另一個視角。Max 檔下綜合智能指數 Luna 約 38，Terra 約 48，對應綜合基準成本約 $0.07 和 $0.40，約 5.7 倍。編程代理指數差距更大，Luna 31，Terra 48。

但長文檔理解 AA-LCR 是個反例，兩者在最高推理設置下都約 83%。另外，Terra 在 Low 和 Medium 檔位處於該機構測試範圍內的“成本—能力”帕累託前沿，到了 Max 檔反而未必最優。換句話說，批量自動化要調的不只是模型，還有推理強度。

GPT-6.1 Terra 和 GPT-6 Luna 批量自動化快速上手

把上面的數據放在一起，會得到一個很實際的結論：大部分規則清晰的任務交給 Luna，少數複雜、高風險或未通過校驗的任務再升級到 Terra。下面是一個最小可運行示例，先讓 Luna 抽取發票字段，再用程序規則校驗，不合格才交給 Terra。

import json, openai

client = openai.OpenAI(api_key="YOUR_API_KEY", base_url="https://api.apiyi.com/v1")

def extract(model, text, effort="low"):
    r = client.chat.completions.create(
        model=model, reasoning_effort=effort,
        response_format={"type": "json_object"},
        messages=[{"role": "user", "content": f"抽取 JSON：amount, tax, total, date\n{text}"}])
    return json.loads(r.choices[0].message.content)

def valid(d):
    return all(k in d for k in ("amount", "tax", "total", "date")) and \
        abs(float(d["amount"]) + float(d["tax"]) - float(d["total"])) < 0.01

result = extract("gpt-6-luna", "發票：金額 100.00，稅額 6.00，合計 106.00，日期 2026-10-20")
if not valid(result):
    result = extract("gpt-6.1-terra", "...", effort="medium")
print(result)

import json
import re
import openai
from typing import Optional

client = openai.OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.apiyi.com/v1"  # API易 OpenAI 兼容接口
)

PROMPT = "從以下文本抽取 JSON，字段：amount, tax, total, date（YYYY-MM-DD）。缺失填 null。\n"

def call_model(model: str, text: str, effort: str = "low") -> Optional[dict]:
    try:
        resp = client.chat.completions.create(
            model=model,
            reasoning_effort=effort,
            response_format={"type": "json_object"},
            messages=[{"role": "user", "content": PROMPT + text}],
        )
        return json.loads(resp.choices[0].message.content)
    except Exception as e:
        print(f"[{model}] 調用失敗: {e}")
        return None

def rule_check(d: Optional[dict]) -> list:
    """程序化規則校驗：結構化輸出只保證格式，不保證事實，所以必須二次校驗"""
    if not d:
        return ["empty"]
    errors = []
    for k in ("amount", "tax", "total", "date"):
        if d.get(k) is None:
            errors.append(f"missing:{k}")
    if not errors:
        if abs(float(d["amount"]) + float(d["tax"]) - float(d["total"])) > 0.01:
            errors.append("sum_mismatch")
        if not re.match(r"^\d{4}-\d{2}-\d{2}$", str(d["date"])):
            errors.append("bad_date")
    return errors

def route(text: str) -> dict:
    # 第一層：Luna Low 處理全部輸入
    d = call_model("gpt-6-luna", text, "low")
    if not rule_check(d):
        return {"data": d, "tier": "luna"}
    # 第二層：未通過校驗的升級到 Terra Medium
    d = call_model("gpt-6.1-terra", text, "medium")
    errs = rule_check(d)
    if not errs:
        return {"data": d, "tier": "terra"}
    # 第三層：仍不確定的進入人工審覈隊列
    return {"data": d, "tier": "human_review", "errors": errs}

if __name__ == "__main__":
    samples = [
        "發票號 A001，金額 100.00 元，稅額 6.00 元，價稅合計 106.00 元，開票日期 2026-10-20",
        "收據：總計一百零六元整，含稅，十月二十日",
    ]
    for s in samples:
        print(route(s))

🚀 快速開始：官方推薦先用一個 API Key 同時調通兩款模型，再跑自己的樣本。API易 apiyi.com 提供 OpenAI 兼容接口，gpt-6-luna 和 gpt-6.1-terra 只需切換 model 參數，新用戶有免費測試額度，適合先做小規模對照實驗。

這個結構的關鍵在第二步。不要把“Luna 說自己很有把握”當成正確依據，模型自報的置信度未必可靠。優先用可驗證的規則：字段是否缺失、日期是否合法、金額能否對上、關鍵字段是否與原文一致、是否有重複記錄。

GPT-6.1 Terra 與 GPT-6 Luna 的影響分析

對開發者的影響：按任務類型分流

結合官方定位和上述測試，可以給常見批量任務一個初始選擇。注意這是基於公開評測給出的建議，不是這些場景都已有實測證明，上線前仍需用自己的數據驗證。

另一個開發者容易忽略的點是吞吐量。在官方列出的 Build 檔位，Luna 的每分鐘 Token 限額是 200 萬、Batch 隊列上限 2000 萬，而 Terra 分別是 100 萬和 300 萬；Launch 檔位 Luna 爲 1000 萬和 10 億，Terra 爲 400 萬和 2 億。十萬條以上的批量任務，Luna 能排進隊列的量明顯更大。不過這是額度上限，不是生成速度，具體賬戶的限制也可能不同。

對行業的影響：從“比單價”轉向“比合格結果成本”

Terra 發佈當天，Reddit 社區出現了兩種聲音。一部分人認爲 Terra 定位尷尬，Luna 已經足夠便宜，Sol 又更強；另一部分人指出，Terra Low 的事實錯誤率已經低於 Luna Max，不能只看單價。也有 Codex 用戶反饋，高推理強度的 Terra 額度消耗不一定比中等強度的 Sol 更低，而 Luna 用戶在複雜開發任務中被返工抵消了額度優勢。這些都是個案，而且 Codex 訂閱額度和 API Token 計費不是一回事，不能用來推算 API 費用。

但它們指向同一個趨勢：衡量批量自動化的指標，正在從“一次調用多少錢”變成“每個合格結果多少錢”。可以用一個簡單的公式來理解：

總成本 = API 調用成本 + 工具成本 + 重試成本 + 人工審覈成本 + 錯誤損失

Luna 在前兩項上有絕對優勢，Terra 則通過更低的錯誤率壓縮後三項。哪一邊划算，取決於你的業務裏一次錯誤值多少錢。MultiAI 的小樣本觀察也印證了這一點：Terra 關閉推理時部分邏輯和計算任務會出錯，切到 Medium 後明顯改善；Luna 在簡單任務上表現好，在多步驟邏輯上錯誤更多。

自己做一輪對照實驗的方法

公開數據還沒有回答幾個關鍵問題：兩款模型在十萬條真實中文文章分類上的錯誤率、長期運行的穩定性、混合方案到底能省多少錢、人工複覈成本能否抵消 Terra 的溢價。這些只能靠自己測。

比較可行的做法是準備 200 到 500 條帶標準答案的真實業務樣本，例如簡單分類、關鍵信息抽取、複雜內容識別各 100 條，事實覈查和多步驟工具操作各 50 條。然後在相同輸入、相同提示詞、相同工具和相同判定標準下，分別跑 Luna Low、Luna Medium、Terra Low、Terra Medium 四個配置，部分任務重複多次以觀察穩定性。

最後重點看五個結果：準確率、每 1000 條的 API 成本、平均耗時與 P95 耗時、人工複覈與返工次數，以及每 1000 項合格結果的綜合成本。如果通過第三方平臺部署，還要以該平臺的實際結算規則爲準，並確認數據處理條款和合規要求。

常見問題 FAQ

GPT-6.1 Terra 和 GPT-6 Luna 核心要點 Key Takeaways

• 單價差 10 倍：Luna 輸入 $0.10、輸出 $0.50，Terra 爲 $1.00 和 $5.00
• 簡單任務差距小：Plotly 普通分析、模糊問題識別等項目兩者均爲滿分
• 複雜任務差距大：會計任務領先 11.9 點，桌面操作領先 18.7 點
• 事實準確性分化：Terra Low 錯誤率 16.7%，低於 Luna Max 的 18.4%
• 推理強度也要調：Terra Low / Medium 在成本效率上優於其 Max 檔
• 分層路由最划算：Luna 初篩、規則校驗、Terra 兜底、人工複覈
• 先測再上線：用 200 到 500 條自有樣本，在 API易 apiyi.com 上跑四種配置對照

總結

回到標題的問題，GPT-6.1 Terra 和 GPT-6 Luna 誰更適合批量自動化，答案取決於任務難度和錯誤代價：

1. 規則清晰、可自動校驗的任務：Luna 是低成本起點，Plotly 測試中兩者在常規分析上表現一致。
2. 視覺識別、多步驟操作、財務等高風險任務：Terra 的額外成本有合理性，準確率領先最多可達 18.7 個百分點。
3. 真正的優化目標：不是單次 API 價格，而是每個合格結果的綜合成本，包括重試、審覈和錯誤損失。

對多數團隊來說，更好的做法不是二選一，而是讓 Luna 處理大多數簡單工作，讓 Terra 解決真正困難的那部分。建議先用自己的業務樣本做一輪小規模對照，再決定分流比例。

推薦通過 API易 apiyi.com 快速驗證兩款模型在你業務上的表現，一個 Key 即可切換模型，按量計費，便於精確覈算每千條任務的成本。

📚 參考資料

1. OpenAI：Introducing GPT-6.1 Terra：發佈公告，含 OSWorld、MMMU-Pro、事實錯誤率圖表
2. 鏈接： openai.com/index/introducing-gpt-6-1-terra

3. 說明： Terra 官方定位和基準數據來源

4. OpenAI API Pricing 與模型頁：Luna、Terra 的價格、能力和速率限制

5. 鏈接： developers.openai.com/api/docs/pricing

6. 說明： Standard、Batch、Flex、Fast 定價依據

7. OpenAI Batch API 文檔：批處理成本與處理窗口

8. 鏈接： developers.openai.com/api/docs/guides/batch

9. 說明： 大批量異步任務的降本方式

10. Plotly：GPT-6.1 Terra Benchmark Results for Data Analysis：43 道同場數據分析測試

11. 鏈接： plotly.com/blog/gpt-6-1-terra-plotly-data-analytics-bench

12. 說明： 準確率、費用、耗時和分項成績

13. DualEntry：GPT-6.1 Terra Accounting Benchmark：101 項會計任務測試

14. 鏈接： dualentry.com/blog/gpt-6-1-terra-accounting-benchmark

15. 說明： 準確率、任務分類與三輪穩定性

16. Artificial Analysis：GPT-6.1 Terra 評測：綜合智能指數與成本效率

17. 鏈接： artificialanalysis.ai/models/releases/gpt-6-1-terra
18. 說明： 不同推理強度下的獨立測試記錄

作者: APIYI 技術團隊
技術交流: 歡迎在 API易 官網首頁聯繫我們，更多模型接入資料可訪問 docs.apiyi.com 文檔中心

延伸閱讀

• GPT-6 Luna Decisions API 比普通模型調用快多少？學會“先斬後奏”是關鍵:從原理、實測方法、延遲指標和業務場景四個角度測評 GPT-6 Luna Decisions API，幫你判斷“決策型調用”是否比普通模型調用更快、更適合你的業務。
• GPT-6.1 Terra 相比上一代提升了什麼？價格砍半、智能 +6 分的 4 維對比:GPT-6.1 Terra 與 GPT-5.6 Terra 的規格、四項計費、第三方評測與官方基準對比，並說明“什麼時候不該換”和遷移成本。
• MiniMax M3.1 Flash 開源權重 10/23 放出：本地部署配置與 API 成本的 4 維對比:MiniMax M3.1 Flash 權重計劃 10 月 23 日放出，本文說明本地部署需要什麼配置，並從合規、調用量、運維能力、改模型需求 4 個維度對比自部署和直接調 API 的成本。
• GPT-6.1 Terra 發佈解讀：4 款 GPT-6 家族模型定位一次看懂:GPT-6.1 Terra 補齊了 GPT-6 家族的中檔位置，本文用官方數據和第三方實測說明 Astra、Sol、Terra、Luna 四款模型的定位差異和選型思路
• Gemini 4 Argon vs Claude Opus 5.5：拆解谷歌 19 項評測表，4 個維度看清誰更強:基於 Google 官方 Gemini 4 Argon 評測表，逐項對比 Gemini 4 Argon 與 Claude Opus 5.5 在知識工作、智能體編程、長上下文、多模態等 19 項基準上的成績，結合 Artificial Analysis、Vals 獨立評測與價格、輸出上限、可用性差異，給出場景化選型建議。